implementasi ripple down rule learner pada data pelelangan

Tugas Akhir - 2008
IMPLEMENTASI RIPPLE DOWN RULE LEARNER PADA DATA PELELANGAN
Rochman Ridloh¹, Moch. Arif Bijaksana², Endro Ariyanto³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Saat ini platform pelelangan telah menjadi bagian yang penting dari komunitas internet. Nama
seperti eBay sudah pasti menjadi sinonim bagi kesuksesan ini. Terkait dengan pencapaiannya
yang hebat, platform pelelangan internet paling sukses di dunia menarik minat bagi penawar
individu maupun bisnis. Apa yang mereka lakukan pada umumnya bertujuan agar penjualan dari
pelelangan mencapai harga yang sesuai. Yang menjadi pertanyaan: “Bagaimana untuk
mendapatkan harga yang optimal (maksimal)?” Untuk itu, lebih banyak lagi para ahli pelelangan
yang kompeten merekomendasikan untuk menentukan durasi pendek atau panjang, harga awal
rendah atau tinggi, pembatalan pelelangan pada akhir minggu atau hari minggu, dan banyak lagi
varian yang akan menjamin kesuksesannya.
Implementasi yang akan dilakukan dengan metode Ripple-Down-Rules. Ripple-Down-Rules (RDR),
adalah rules dengan hierarchical exception, digunakan pada penerimaan knowledge karena
menyediakan representasi yang pintar dan bisa di modifikasi bahkan untuk sistem pakar yang
besar. Semantik yang digunakan RDR mengcover first order rule sebaik rule berbasis attributevalue. Secara aljabar yang akan dilakukan pada RDR meliputi simplifikasi RDR dan transformasi
RDR menjadi flat list of rule dan ripple down rule set, karena itu skema reperesentasi knowledge
dimasukkan ke dalam perspektif. Telah ditunjukkan bahwa RDR mempunyai panjang deskripsi
yang pendek daripada ekuivalen decision list.
Induksi dari rule dengan exception dikarakterisasi sebagai bidirectional movement pada hipotesis
space, sementara algoritma yang diketahui untuk pembelajaran rule atau decision tree dilakukan
spesialisasi top-down dari yang paling umum atau generalisasi bottom-up dari hipotesis yang
paling utama.
Kata Kunci : Ripple-Down-Rules(RDR), hierarchical exception, knowledge, first order rule, rule,
attribute-value, flat list of rule, ripple down rule set.
Abstract
Nowadays auction platform has become an important part for internet community. The likes of
eBay surely become synonym for this success. Due to great achievement, internet auction
platform most success in the world has withdrawn interested many of individual bargain or
business. Commonly what they do is to achieve auction sale with an acceptable price or even
more. What become question: “How to achieve optimal price?” Therefore, much more auction
competent expert recommended to determine short or long duration, high or low start price,
auction cancellation at weekend or Sunday, and many more variant to guarantee succession.
Implementation using Ripple-Down-Rule Learner Methods. Ripple-Down-Rules (RDR), is rules
with hierarchical exception, used to knowledge achievement because provide smart
representation and can be modified even for large expert system. Semantics used by RDR covered
first order rule as good as rule based attribute value. By algebraic which will be executed by RDR
including RDR simplification and RDR transformation to flat list of rule and ripple down rule set,
therefore schema knowledge representation included at perspective. As known that RDR have
short description than decision list equivalent.
Induction rule with exception characterized as bidirectional movement to hypothesis space,
meanwhile known algorithm for rule learning or decision tree doing by top-down specialization
from the most common or bottom up generalization from main hypothesis.
Keywords : Ripple-Down-Rules(RDR), hierarchical exception, knowledge, first order rule, rule,
attribute-value, flat list of rule, ripple down rule set.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
BAB I
PENDAHULUAN
1.1
Latar Belakang
Tidak terhitung lagi jumlah metode yang telah diimplementasikan pada
data mining dan juga semakin besar pula kuantitas data yang diolah di dunia
nyata. Salah satu permasalahan pada database biasanya dikarenakan tidak
lengkapnya informasi yang disediakan oleh data untuk menemukan informasi
yang diinginkan. Salah satu metode yang paling sering digunakan untuk
mengatasi hal ini pada data mining menggunakan klasifikasi.
Beberapa permasalahan yang saat ini sering muncul sebagian besar
berhubungan dengan internet. E-commerce yang sudah booming menarik berbagai
kalangan pebisnis untuk melakukan investasi. Salah satu bagian transaksi yang
mulai mencuat selain dari jual-beli langsung yaitu pelelangan (auction). Melalui
pelelangan ini diharapkan oleh kalangan pebisnis dapat mengoptimalkan
keuntungan berdasarkan perilaku pasar. Letak permasalahannya bagaimana
menentukan agar untuk produk tertentu dapat terjual minimal dengan keuntungan
meskipun tidak maksimal.
Dengan data yang semakin berkembang pesat dari segi kuantitas dan
kualitas maka diperlukan metode yang bisa melakukan klasifikasi, seiring dengan
meningkatnya popularitas pelelangan melalui internet. Metode Ripple-Down-Rule
(RDR) ini penulis gunakan karena bisa mengklasifikasikan data yang besar [1]
dengan jumlah node yang dihasilkan simpel dan mudah dianalisa dengan hanya
melihat model [9]. Dengan diterapkannya pembelajaran pada data transaksi yang
sudah terjadi diharapkan bisa mengetahui perilaku pasar berdasarkan atribut
tertentu yang berpengaruh.
1.2
Rumusan Masalah
Dari latar belakang permasalahan yang ada maka masalah yang ada
dirumuskan sebagai berikut:
1
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
1. Bagaimana menghasilkan data dari hasil transaksi menjadi data
training yang representatif terhadap lingkup permasalahan yang akan
dianalisa dan mendukung pembentukan model yang akurat?
2. Bagaimana mengklasifikasikan data menggunakan metode Ripple
Down Rule sehingga bisa didapatkan nilai class yang optimal?
3. Bagaimana langkah-langkah pembelajaran terhadap data transaksi
yang sudah terjadi untuk kemudian bisa didapatkan model untuk
dilakukan pengujian dan analisa?
1.3
Tujuan Penulisan
Berdasarkan rumusan masalah di atas, maka tujuan dari tugas akhir ini
adalah :
1. Menganalisis langkah-langkah implementasi metode Ripple Down
Rule.
2. Membandingkan akurasi instances yang diklasifikasikan dari metode
Ripple Down Rule dengan metode C5.0 dan C&R Tree (Classification
& Regression Tree) yang terdapat di Clementine 9.0.
1.4
Batasan Masalah
Dalam pembuatan tugas akhir ini, untuk mengatasi permasalahan yang ada
maka penyusun membatasi permasalahan sebagai berikut :
1. Dataset yang digunakan adalah dataset Data Mining Cup 2006 berupa
data pelelangan Audio&Hi-Fi:MP3-Player:Apple iPod dengan jumlah
recordset 8000 yang berformat CSV, atribut lengkapnya terdapat pada
Lampiran A.
2. Implementasi yang dilakukan yaitu sampai pada tahap pembangunan
model
dan
juga
ditentukannya
keakurasian
instances
yang
diklasifikasikan.
3. Pengujian menggunakan data testing yang diambil berdasarkan
prosentase perbandingan secara manual dari dataset kemudian hasil
evaluasi dibandingkan dengan metode C5.0 dan C&R Tree
(Classification & Regression Tree) yang terdapat di Clementine 9.0.
2
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
4. Dalam pembangunan Model Ripple Down Rule digunakan bantuan
tools data mining yaitu WEKA (Waikato Environment for Knowledge
Analysis).
1.5
Metode Penyelesaian Masalah
Metode yang digunakan dalam penyelesaian tugas akhir ini adalah :
1. Studi Pustaka
Tahapan untuk menambah wawasan dari buku-buku, artikel dan
sumber-sumber lain yang layak, seperti informasi-informasi yang
tersedia di internet untuk menunjang pembahasan tugas akhir ini.
2. Analisis dan perancangan
Tahapan untuk menentukan kebutuhan sistem, seperti identifikasi
input, identifikasi output, identifikasi spesifikasi hardware maupun
perancangan software yang akan dibangun dalam bentuk diagram yang
akan memudahkan pemahaman terhadap perangkat lunak tersebut.
3. Implementasi perangkat lunak
Tahapan untuk membangun data set dan training serta implementasi
dari metode Ripple Down Rule
4. Pengujian perangkat lunak
Menguji perangkat lunak yang dihasilkan menggunakan data set untuk
kemudian dilakukan perbandingan dengan metode C5.0 dan C&R Tree
(Classification & Regression Tree) yang terdapat di Clementine 9.0.
5. Pengambilan kesimpulan dan penyusunan makalah
Mengambil kesimpulan dari hasil pengujian dan pengukuran yang
dilakukan serta menyusun makalah.
1.6
Sistematika Penulisan
Tugas Akhir ini disusun dengan sistematika pembahasan sebagai berikut :
BAB I
PENDAHULUAN
Bab ini memaparkan latar belakang masalah, perumusan masalah
yang akan dibahas, pembatasan masalah, tujuan yang ingin dicapai
melalui riset ini, metode penyelesaian masalah dan sistematika
pembahasan.
3
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
BAB II
DASAR TEORI
Bab ini berisi uraian mengenai landasan teori yang akan digunakan
dalam penyusunan tugas akhir meliputi metode Ripple Down Rule
dan pemilihan atribut.
BAB III
ANALISIS DAN PERANCANGAN SISTEM
Berisi analisis perangkat lunak yang akan dibuat mencakup analisis
kebutuhan sistem, perancangan proses dan aliran data sehingga
proses dapat dipahami secara jelas.
BAB IV
IMPLEMENTASI DAN PENGUJIAN
Berisi
tentang
deskripsi
implementasi
dari
analisis
dan
perancangan aplikasi serta evaluasi dari aplikasi yang telah dibuat.
BAB V
KESIMPULAN DAN SARAN
Berisi kesimpulan dari hasil penelitian tugas akhir ini serta saransaran untuk pengembangan lebih lanjut.
4
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
BAB V
KESIMPULAN DAN SARAN
5.1
1.
Kesimpulan
RDR Learner merupakan metode yang berbasiskan rule, dimana rule
disimpan pada tree. Dengan implementasi yang sudah dilakukan induksi
bisa dinyatakan model yang dihasilkan cukup simpel sehingga bisa
digunakan untuk data yang jauh lebih besar dari yang penulis pakai pada
TA ini.
2.
Dengan melakukan pengujian pada metode C5.0 dan C&RT pada tools
Clementine 9.0 didapatkan tree yang cukup banyak nodenya, tetapi pada
metode RDR Learner sangat ringkas dengan waktu build yang tidak
berbeda jauh.
3.
Rata-rata akurasi RDR Learner dari hasil pengujian memang tidak lebih
baik dari algoritma C5.0 dan C&RT pada tools Clementine 9.0. Oleh
sebab itu diperlukan kejelian dalam menggunakan attribute selection yang
akan diimplementasikan dan juga pada penentuan parameter learning
Ripple Down Rule
5.2
Saran
1.
Sebaiknya dilakukan preprosesing yang sesuai dengan data yang akan
diklasifikasikan kemudian disesuaikan juga data yang bisa dimanfaatkan
secara maksimal untuk metode Ripple Down Rule ini.
2.
Dengan memanfaatkan proses learning yang sudah ada pada perangkat
lunak ini maka bisa dikembangkan lebih lanjut untuk mencari nilai class
pada data yang belum diketahui nilai classnya.
38
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
DAFTAR PUSTAKA
[1]
Compton, Paul, Brian R. “Gaines, Induction of Ripple-Down Rules
Applied to Modelling Large Databases”, University of Calgary,
Knowledge Science Institute, Alberta, Canada, University of South Wales,
Department of Computer Science, Sydney, Australia.
[2]
Compton, Paul, Debbie Richards, “Extending Ripple-Down Rules”,
School of Computer Science and Engineering, University of New South
Wales, Department of Computing, Division of Information and
Communication Sciences, Macquarie University, Australia, 1999.
[3]
Compton, Paul, Debbie Richards, “Generalising Ripple-Down Rules”,
School of Computer Science and Engineering, University of New South
Wales, Department of Computing, Division of Information and
Communication Sciences, Macquarie University, Australia.
[4]
Frank, Eibe, “Machine Learning Technique for Data Mining,” University
of Waikato : Morgan Kaufmann, 2000.
[5]
Han, Jiawai., Micheline Kamber, “Data Mining : Concepts and
Techniques,” Simon Fraser University : Morgan Kaufmann, 2001.
[6]
Pramudiono, Iko, “Pengantar Data Mining : Menambang Permata
Pengetahuan di Gunung Data,” Ilmu Komputer.com, 2003.
[7]
Pressman, Roger S, “Software Engineering A Practitioner’s Approach
Fouth Edition”, McGraw-Hill, 1997.
[8]
Richards, Debbie, Vijaletchmee Chellen, dan Paul Compton , “The Reuse
of Ripple Down Rule Knowledge Bases: Using Machine Learning to
Remove Repetition,” Department of Artificial Intelligence, School of
Computer Science and Engineering, University of New South Wales,
Australia.
[9]
Scheffer, Tobias, “Algebraic Foundation and Improved Methods of
Induction of Ripple Down Rules,” Technische Universitat Berlin,
Artificial Intelligence Research Group (KI), 1996.
[10] -, Data set Data Mining Cup 2006, http://www.data-mining-cup.de
39
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2008
[11] -, Modul dan Jurnal Praktek Data Mining, DMC Crews, TA 2004/2005
40
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika